שיטה מבוססת YOLOv12 לזיהוי אוטומטי של נקודות צפלומטריות בתמונות רנטגן צדדיות דו־ממדיות של הגולגולת

מדוע חשוב לזהות נקודות קטנות ברנטגנים של הגולגולת

כשאורתודונט מתכנן גשריים, ניתוח לסת או טיפול באי־סימטריה פנים, הוא מסתמך על מדידות מפורטות הנלקחות מתמונות רנטגן צידיות של הראש. מדידות אלה תלויות בעשרות נקודות ייחוס אנטומיות זעירות המפוזרות לאורך הגולגולת והפנים. כיום רבות מהנקודות הללו מסומנות עדיין בעבודת יד, תהליך איטי ובעל אלמנט סובייקטיבי. מחקר זה בוחן כיצד מערכת בינה מלאכותית מודרנית — גרסה מתקדמת במשפחת זיהוי התמונות הפופולרית YOLO — יכולה לאתר באופן אוטומטי את נקודות המפתח הללו ברנטגנים של הגולגולת, במטרה להפוך את הטיפול האורתודונטי למהיר, עקבי ונגיש יותר.

מעקיבה מדוייקת להנחיה אוטומטית

כמעט מאז ומתמיד, "ניתוח צפלומטרי" מהווה את עמוד השדרה של אבחון אורתודנטי. קלינאים מסתכלים על רנטגן סטנדרטי בצד וסמנים נקודות ספציפיות על הגולגולת והרקמות הרכות — על הלסת, השיניים, האף, השפתיים ובסיס הגולגולת. מקואורדינטות אלה מחשבים זוויות ומרחקים שמנחים החלטות טיפול. סימון ידני כזה יכול לקחת 10–15 דקות לכל רנטגן ואפילו מומחים מנוסים עשויים להראות שונות של כמה מילימטרים, מה שעלול להשפיע על תכניות טיפול רגישות. ככל שמרפאות השיניים מקבלות יותר מטופלים ושואפות דיוק גבוה יותר, הלחץ להאיץ עבודה זו ולהפחית שונות אנושית מבלי לאבד בקרה מקצועית גובר.

כיצד בינה מודרנית "רואה" רנטגן

התקדמות אחרונה בבינה מלאכותית, ובפרט בלמידה עמוקה, שינתה את האופן שבו מחשבים מפרשים תמונות. במקום להיקבע על ידי חוקים שנכתבו ידנית, רשתות עצביות עמוקות לומדות ישירות מתוך אוספים גדולים של דוגמאות מתוייגות. בדימות רפואי, קבוצה של מודלים שנקראת רשתות קונבולוציה הפכה למוצלחת במיוחד, כי הן מסוגלות לגלות באופן אוטונומי תבניות החל מקצוות פשוטים ועד לצורות אנטומיות מורכבות. בתוך הנוף הזה, משפחת "You Only Look Once" או YOLO בולטת בזיהוי עצמים במהירות גבוהה ועיבוד חד־עברי של התמונה. הדור החדש, YOLOv12, משלב מנגנוני תשומת לב ועיבוד ברב־קנה מידה, שמועילים במיוחד למציאת מבנים קטנים וצפופים כמו נקודות צפלומטריות.

בניית "צייד" נקודות חכם יותר

המחברים שילבו שני מאגרי רנטגנים צדדיים של הגולגולת שזמינים לציבור, הכוללים יחד מעט פחות מ־500 תמונות, שכל אחת מהן תויגה עם 19 נקודות צפלומטריות חשובות על ידי קלינאים מנוסים. הם המירו את התמונות לפורמט דחוס יותר והפכו כל קואורדינטת נקודה ל"תיבה" ריבועית קטנה שמרכזת את הנקודה, כך ש‑YOLOv12 — שתוכנן לזהות עצמים בצורת תיבות — יוכל להתייחס לכל נקודה כאל יעד זעיר. באמצעות פלטפורמה בשם Roboflow הם הסירו תמונות כפולות ויישמו טרנספורמציות מתונות כמו סיבובים קלים, שינויים בהירות ורעשים. שינויים אלה הגבילו את העדפות הדאטה והכפילו למעשה פי שלוש את מספר תמונות האימון, מה שעזר למודל להיות חסין יותר לשינויים באיכות התמונה ובאנטומיה של המטופל.

מהלך האימון והבדיקה של ה‑AI

החוקרים אימנו מודל גדול של YOLOv12 על מעבד גרפי חזק למשך 50 מחזורים של אימון, או אפוכים. במהלך האימון שכבות פנימיות של המודל למדו להמיר את הרנטגן הגולמי למערכת של תכונות המבליטות אזורים חשובים, וראש הפלט של המודל למד לצייר תיבה קטנה סביב כל נקודה ולהקצות לה דירוג ביטחון. לאחר סיום האימון נבחן המודל על 94 רנטגנים שטרם נראו. כדי לשפוט את הביצועים מדדו את מרחק כל נקודת חיזוי מנקודת המגע שסומנה על ידי המומחים. הם גם בחנו עקומות דיוק‑החזרה, דפוסי בלבול בין נקודות שונות ותרשימים מפורטים המציגים הסכמה עבור נקודות ספציפיות.

מה ה‑AI הצליח — והיכן התקשה

בסך הכל המערכת מצאה כ‑חצי מהנקודות בטווח של 1 מילימטר מסימון המומחים, וכמעט 80 אחוזים בתוך 2 מילימטרים — טווח הנחשב מקובל לרבים מהמשימות הקליניות. היא הצטיינה בנקודות עם צורות ברורות וקונטרסט גבוה, כגון Sella, Gnathion, Menton ונקודות מסוימות הקשורות לשיניים, שבהן יותר משלושת־רבעי התחזיות היו בתוך 1 מילימטר ולמעלה מ‑93 אחוזים בתוך 2 מילימטרים. המודל גם הפתיע ביכולת להבחין בין קבוצות של נקודות סמוכות סביב הסנטר והשיניים הקדמיות, מה שמעיד שלמד יחסים מרחביים עדינים ולא רק פענוח פיקסלים מבודדים. עם זאת, הוא התקשה עם נקודות באזורים מטושטשים יותר, כמו Gonion, Subspinale, Orbitale, Articulare ו‑Porion. אזורים אלה קשים אפילו לבני אדם כי עצמות חופפות וקונטרסט נמוך מטשטשים את הגבולות, ואיכות רנטגן ירודה הורידה עוד את הדיוק.

מה משמעות הדבר לעתיד הטיפול האורתודנטי

המחברים מסכמים שמערכתם המבוססת YOLOv12 עדיין לא מוכנה להחליף מומחים אנושיים, אך מהווה הוכחת רעיון חזקה לניתוח צפלומטרי חצי‑אוטומטי. במונחים פרקטיים, כלי כזה יכול למקם במהירות נקודות ראשוניות שהקלינאי ילטש אחר כך, ומשלב את המהירות והעקביות של ה‑AI עם השיקול המקצועי. עם אוספי אימון גדולים ומגוונים יותר, טיפול משופר בתמונות באיכות נמוכה ושיפור מתמיד של המודל, גרסאות עתידיות עשויות להתקרב לביצועים ברמה קלינית. אם זה יקרה, אורתודונטים עשויים בקרוב להשקיע פחות זמן במעקב ידני אחר רנטגנים ויותר זמן בניצול המדידות האלה לתכנון טיפולים מותאמים אישית.

ציטוט: Akre, P.D., Ghavghave, Y.G. & Pacharaney, U. A YOLOv12-based approach for automatic detection of cephalometric landmarks on 2D lateral skull X-ray images. Sci Rep 16, 12837 (2026). https://doi.org/10.1038/s41598-026-43250-z

מילות מפתח: ניתוח צפלומטרי, דימות אורתודנטי, למידה עמוקה, זיהוי נקודות ציון, YOLOv12